Data resources for evaluating the economic and financial consequences of surgical care in the United States
Notice bibliographique
Résumé
ABSTRACT: Evaluating the relationship between health care costs and quality is paramount in the current health care economic climate, as an understanding of value is needed to drive policy decisions. While many policy analyses are focused on the larger health care system, there is a pressing need for surgically focused economic analyses. Surgical care is costly, and innovative technology is constantly introduced into the operating room, and surgical care impacts patients' short- and long-term physical and economic well-being. Unfortunately, significant knowledge gaps exist regarding the relationship between cost, value, and economic impact of surgical interventions. Despite the plethora of health care data available in the forms of claims databases, discharge databases, and national surveys, no single source of data contains all the information needed for every policy-relevant analysis of surgical care. For this reason, it is important to understand which data are available and what can be accomplished with each of the data sets. In this article, we provide an overview of databases commonly used in surgical health services research. We focus our review on the following five categories of data: governmental claims databases, commercial claims databases, hospital-based clinical databases, state and national discharge databases, and national surveys. For each, we present a summary of the database sampling frame, clinically relevant variables, variables relevant to economic analyses, strengths, weaknesses, and examples of surgically relevant analyses. This review is intended to improve understanding of the current landscape of data available, as well as stimulate novel analyses among surgical populations. Ongoing debates over national health policy reforms may shape the delivery of surgical care for decades to come. Appropriate use of available data resources can improve our understanding of the economic impact of surgical care on our health care system and our patients. LEVEL OF EVIDENCE: Regular Review, Level V.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,074 | 0,315 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,030 | 0,044 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,005 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».